[論文レビュー] Estimation of Tissue Microstructure Using a Deep Network Inspired by a Sparse Reconstruction Framework

Chuyang Ye|arXiv (Cornell University)|Apr 5, 2017

Advanced Neuroimaging Techniques and Applications参考文献 12被引用数 11

ひとこと要約

本論文は、スパース復元にインspiredされた深層学習フレームワークであるMEDNを提案し、拡散MRIにおけるNODDI微細構造推定の高速化と精度向上を図る。問題を辞書ベースのスパース回復タスクとしてモデル化し、2段階のカスケードネットワークを共同で学習させることで、60個の拡散勾配のみを用いてAMICOやMLPを上回る高い精度を達成。細胞内体積分率、CSF分率、方位分散の推定誤差を顕著に低減する。

ABSTRACT

Diffusion magnetic resonance imaging (dMRI) provides a unique tool for noninvasively probing the microstructure of the neuronal tissue. The NODDI model has been a popular approach to the estimation of tissue microstructure in many neuroscience studies. It represents the diffusion signals with three types of diffusion in tissue: intra-cellular, extra-cellular, and cerebrospinal fluid compartments. However, the original NODDI method uses a computationally expensive procedure to fit the model and could require a large number of diffusion gradients for accurate microstructure estimation, which may be impractical for clinical use. Therefore, efforts have been devoted to efficient and accurate NODDI microstructure estimation with a reduced number of diffusion gradients. In this work, we propose a deep network based approach to the NODDI microstructure estimation, which is named Microstructure Estimation using a Deep Network (MEDN). Motivated by the AMICO algorithm which accelerates the computation of NODDI parameters, we formulate the microstructure estimation problem in a dictionary-based framework. The proposed network comprises two cascaded stages. The first stage resembles the solution to a dictionary-based sparse reconstruction problem and the second stage computes the final microstructure using the output of the first stage. The weights in the two stages are jointly learned from training data, which is obtained from training dMRI scans with diffusion gradients that densely sample the q-space. The proposed method was applied to brain dMRI scans, where two shells each with 30 gradient directions (60 diffusion gradients in total) were used. Estimation accuracy with respect to the gold standard was measured and the results demonstrate that MEDN outperforms the competing algorithms.

研究の動機と目的

• 従来のNODDIフィッティングにおける高い計算コストと多数の拡散勾配の必要性が、臨床的応用を制限しているのを是正すること。
• 深層学習を活用し、具体的には60個の拡散勾配に限定して微細構造推定の精度を向上させること。
• AMICOアルゴリズムの辞書ベースのスパース復元フレームワークにインspiredされた深層ネットワークアーキテクチャの設計。
• 2段階のカスケード構造におけるネットワーク重みを共同で最適化し、微細構造パrameter予測のエンドツーエンド最適化を実現すること。
• 臨床的に実用可能なdMRIプロトコルを維持しつつ、細胞内体積分率、CSF体積分率、方位分散といった主要なNODDIパラメータの高精度推定を可能にすること。

提案手法

• 2段階の深層ニューラルネットワークを用いる。1段階目は、反復的ハードスレッショーディングに類似した反復的スパース復元プロセスを模倣し、辞書ベースの正則化最小二乗問題を解く。
• 2段階目は、1段階目の出力を正規化・重み付けし、変換後のCSF体積分率、細胞内体積分率、方位分散といった最終的なNODDIパラメータを予測する。
• 3つの微細構造パラメータの平均二乗誤差の合計を最小化する損失関数を用いて、ネットワーク重みを共同で学習する。
• トレーニングデータは、q空間を高密度にサンプリングしたdMRIスキャンから生成され、真値の微細構造パラメータはAMICOアルゴリズムを用いて計算される。
• ネットワークは各イメージングプロトコルごとにトレーニングされ、AMICOフレームワークの解釈可能性を保ちつつ性能を向上させるようにアーキテクチャが設計されている。
• 1段階目は学習可能なパrameter λ を持つしきい値付きReLU活性化関数を用い、反復最適化アルゴリズムのアンフォールディングにインspiredされたネットワーク構造である。

実験結果

リサーチクエスチョン

• RQ1 高密度にサンプリングされたq空間データでトレーニングされた深層学習モデルは、60個の拡散勾配のみを用いても、NODDI微細構造パラメータを正確に推定できるか？
• RQ2 スパース復元にインspiredされた2段階の深層ネットワークアーキテクチャは、標準的な深層学習や従来のAMICOを上回る微細構造推定精度を達成するか？
• RQ3 2段階間のネットワーク重みを共同最適化することで、細胞内体積分率、CSF体積分率、方位分散の推定が向上するか？
• RQ4 提案されたMEDNフレームワークはノイズに強く、AMICOやMLPよりも滑らかでより正確なマップを生成できるか？
• RQ5 実臨床プロトコルに一般化可能であり、Human Connectome Projectデータを用いた実証で高い精度を維持できるか？

主な発見

• MEDNはAMICOやMLPと比較して推定誤差を顕著に低減し、細胞内体積分率（v_ic）の平均誤差を9%削減した。
• MEDNはCSF体積分率（v_iso）の平均誤差を20%削減し、細胞外およびCSFコンパートメントの推定精度が優れていることを示した。
• MEDNは、2番目に優れた手法（MLP）と比較して、方位分散（OD）の平均誤差を7%削減し、繊維の方位複雑性の推定精度が向上した。
• 視覚的比較では、MEDNが特に前頭部後頭内側索状体のような複雑な繊維アーキテクチャ領域で、v_icおよびODの滑らかで解剖学的に妥当なマップを生成した。
• 対応t検定の結果、MEDNの性能は全5被験者においてAMICOおよびMLPを有意に上回り、p < 0.001であった。
• 結果は、臨床的に実用可能なスキャンプロトコル下でも、2段階ネットワークアーキテクチャの共同学習が微細構造推定精度を向上させることを妥当化した。